XiaoMi-AI文件搜索系统
World File Search Systemdrl
虚拟环境中音频吸引力的代理的深度加固学习
摘要本文研究了基于音频的环境感知。该受试者可能会使车辆自动化受益，该自动化近年来引起了显着的兴趣。该技术允许对象在没有人类的情况下几乎或不完全移动。车辆自动化已用于自动驾驶，无人机以及许多家庭和工业机器人。通常，自主迁移率需要监视周围环境。监视使用传感器，例如雷达，相机，激光雷达和声纳，收集可见环境的信息以及障碍物的距离。但是，很少关注监测声学环境。通过使用诸如Unity之类的游戏引擎，可以通过虚拟环境在计算机上方便地研究该问题。可以根据声源的感知位置进行培训的代理商在环境中导航。通过机器学习方法启用了培训，例如深钢筋学习（DRL）。本论文评估了利用统一性在复杂环境中进行导航的智能音频感知者的智能音频感知者的可行性，并专门评估音频输入的培训。目的是通过使用音频来源构建虚拟环境，高级声音空间化和隔离统一的直接声音，以及在环境中具有声音源定位（SSL）功能的智能代理来实现的。空间化允许对环境中的自然声音传播进行建模，以使声音似乎从正确的位置到达。ssl，在工作中使用DRL实现，使代理可以推断出声音到达的方向。结果表明，在平均论文的平均工作量中，可以使用随便可用的插件来构建学习环境和统一训练团结的培训。此外，只要利用先进的声音空间化，就可以成功地对音频输入进行培训。
![arxiv：2502.06869v1 [cs.lg] 2025年2月8日](/simg/g:\will\search\icon\source\9\941a44ebdca8e1e2fe7696dbc01558b91923efad.webp)
arxiv：2502.06869v1 [cs.lg] 2025年2月8日
深度加强学习（DRL）在跨不同领域的序列决策任务中取得了显着的成功，但其对黑盒神经体系结构的依赖阻碍了可相互可预性，信任和在高风险应用程序中的部署。可解释的深度强化学习（XRL）通过通过特征级别，州级，数据集级别和模型级解释技术来实现透明度来解决这些挑战。本调查提供了对XRL方法的全面审查，评估了其质量和定量评估框架，并探讨了它们在政策改造，副本的鲁棒性和安全性中的作用。此外，我们研究了通过从人类反馈（RLHF）学习的强化学习的大语模型（LLM）的增强学习的整合，从而优化了AI与人类偏好的一致性。我们通过高照明开放研究挑战和未来的指导来结束，以促进可解释，可靠和负责任的DRL系统的发展。
使用深厚的增强学习
我们提出了Pymarketsim，这是一种金融市场模拟环境，旨在使用深入加固学习（DRL）培训和评估交易代理。我们的基于代理的环境结合了关键要素，例如私人估值，不对称信息和灵活的限制订单簿机制。我们通过包括单代理和多代理DRL设置在内的实验来揭示平台的效率和多功能性。对于单一代理设置，我们展示了如何使用我们的环境来学习作为反复构建神经网络实施的背景交易策略。这些受过训练的响应顺序网络（TRON代理）可以灵活地将其行为在观察到的市场特征上调节。在多代理级别，我们使用经验游戏理论技术来识别TRON代理的平衡配置。我们的开源实施为研究人员和从业人员提供了一种强大的工具，用于研究复杂的市场动态，开发高级交易算法以及探索由机器学习驱动的金融生态系统的新兴行为。
利用深度强化学习实现天气感知数据驱动的微电网能源管理
摘要 — 在本文中，我们开发了一个深度强化学习 (DRL) 框架，以在发电不确定性的情况下管理以产消者为中心的微电网中的分布式能源 (DER)。不确定性源于影响住宅太阳能光伏 (PV) 板发电的不同天气条件（即晴天与阴天）。在我们提出的系统模型中，微电网由传统电力消费者、具有本地电池存储的产消者和分销商组成。产消者和分销商配备了人工智能 (AI) 代理，它们相互作用以最大化他们的长期回报。我们研究了天气条件对储能充电/放电的影响，以及产消者向微电网注入的电量。为了证明所提出方法的有效性，我们使用 Deep-Q 网络 (DQN) 实现了 DRL 框架。我们的数值结果表明，所提出的分布式能源管理算法可以有效应对发电不确定性，并且对天气预测误差具有鲁棒性。最后，我们的结果表明，在住宅侧采用储能系统可以缓解发电过剩期间的限电现象。
通过遗憾和评估阶段的状态修复的安全加强学习
深度加强学习（DRL）在许多复杂的决策任务中都取得了成功。然而，对于许多现实世界应用，标准的DRL培训在具有脆弱性能的代理商中恢复，特别是在关键问题问题上，发现安全和成功的策略都非常具有挑战性。已经提出了各种探索策略来解决这个问题。但是，他们没有考虑当前的安全性能的信息；因此，它们无法系统地在与培训最相关的状态空间部分上进行系统。在这里，我们提出了基于估计的深度强化学习（稀有）中的状态，该框架介绍了两种创新：（i）将安全评估阶段与国家修复阶段与国家修复阶段，即，在未访问的状态和（ii）估计的promiere extimies nefiperies of n.gap中，gap secried and gap secried seformist of the MAR均进行了iSe。我们表明，这两种创新都是有益的，并且在经验评估中，罕见的优于深度学习和探索等基线。
srlm：具有大语言模型和深度强化学习
摘要 - 交互式社交机器人助手必须在复杂而拥挤的空间中提供服务，同时根据实时人类语言命令或反馈来调整其行为。在本文中，我们提出了一种新型的混合方法，称为社会机器人计划者（SRLM），该方法集成了大型语言模型（LLM）和深度强化学习（DRL），以浏览人体充满的公共空间并提供多种社会服务。srlm实时从人类中的命令中注入全球计划，并将社会信息编码为基于LLM的大型导航模型（LNM），以进行低级运动执行。此外，基于DRL的计划者旨在维持基准测试性能，该性能由大型反馈模型（LFM）与LNM混合，以解决当前文本和LLM驱动的LNM的不稳定性。最后，SRLM在广泛的实验中表现出了出色的表现。有关此工作的更多详细信息，请访问：https：//sites.google.com/view/navi-srlm。
自适应多智能体深度强化学习，实现及时的医疗干预
摘要 — 有效的患者监测对于及时干预和改善医疗结果至关重要。传统的监测系统通常难以处理生命体征波动的复杂动态环境，从而导致延迟识别危急情况。为了应对这一挑战，我们提出了一种使用多智能体深度强化学习 (DRL) 的新型 AI 驱动患者监测框架。我们的方法部署了多个学习代理，每个代理都专用于监测特定的生理特征，例如心率、呼吸和体温。这些代理与通用医疗监测环境交互，学习患者的行为模式，并根据估计的紧急程度做出明智的决策以提醒相应的医疗应急小组 (MET)。在本研究中，我们使用来自两个数据集的真实生理和运动数据来评估所提出的多智能体 DRL 框架的性能：PPG-DaLiA 和 WESAD。我们将结果与几个基线模型进行了比较，包括 Q-Learning、PPO、Actor-Critic、Double DQN 和 DDPG，以及 WISEML 和 CA-MAQL 等监测框架。我们的实验表明，所提出的 DRL 方法优于所有其他基线模型，可以更准确地监测患者的生命体征。此外，我们进行超参数优化，以微调每个代理的学习过程。通过优化超参数，我们提高了学习率和折扣因子，从而提高了代理在监测患者健康状况方面的整体表现。与传统方法相比，我们的 AI 驱动的患者监测系统具有多种优势，包括能够处理复杂和不确定的环境、适应不同的患者状况以及在没有外部监督的情况下做出实时决策。然而，我们发现了与数据规模和未来生命体征预测相关的局限性，为未来的研究方向铺平了道路。
基于快速行进方法和深度强化学习的自主船的新颖道路遵循方法
路径以下是自动船只的必不可少的工具之一，它确保自动船能够充分能够在指定的无碰撞水中导航。这项研究提出了一种新的路径，遵循基于快速行进方法（FM）方法和深入增强学习（DRL）的自主船的方法。所提出的方法能够控制船以遵循不同的路径，并确保路径跟踪误差始终在设定范围内。借助FM方法，基于网格的路径偏差图是专门生成的，以指示网格点和路径之间的最小差异。此外，特定设计的路径偏差感知器是为了模拟基于路径偏差图的设定路径偏差边界的范围传感器。之后，培训了一个基于DRL的圆形路径来控制船舶。尤其是通过模拟对该方法进行验证和评估。获得的结果表明，所提出的方法始终能够维持较高的总体效率，并具有相同的层次，以遵循不同的路径。此外，这种方法的能力对自主船的发展表现出显着的贡献。
行业级的深入强化学习...
本研究论文深入研究了深入增强学习（DRL）在资产级不可知论投资组合优化中的应用，将行业级方法与定量融资相结合。这种整合的核心是我们的强大框架，它不仅将高级DRL算法与现代计算技术合并，而且还强调了严格的统计分析，软件工程和监管合规性。据我们所知，这是第一个研究，将财务强化学习与来自机器人技术和数学物理学的SIM到现实方法结合起来，从而将我们的框架和参数丰富了这种独特的观点。我们的研究最终引入了Alphaoptimizernet，这是一种专有的强化学习代理（和相应的库）。从最新的（SOTA）文献和我们独特的跨学科方法论的综合发展中，Alphaoptimizernet表明了令人鼓舞的风险回报 - 在各种资产类别上具有逼真的约束。这些初步结果强调了我们框架的实际功效。随着金融部门越来越多地吸引了先进的算法解决方案，我们的研究将理论进步带入了现实世界中的适用性，提供了一个模板，以确保在这一技术驱动的未来中的安全性和强大的标准。
易得的自制炸药是主要威胁，DRDO...
由 DRL 的科学家开展，旨在改善和促进印度东北部边境和前沿地区部队的福祉。他鼓励和激励所有科学家，因为需要为地面条件下部队的福祉和战斗力做很多事情，包括高海拔地区的适应、由于基础设施发展而稳定脆弱的山地土壤、水质问题和驻扎区的污水处理等。